Deteksi Gerak dengan Menggunakan Metode
Deteksi Gerak dengan Menggunakan Metode Frame Differences
pada IP Camera
Muhammad Ihsan Zul1, Widyawan2, Lukito Edi Nugroho3
Pervasive and Mobile Computing Group
Teknik Elektro dan Teknologi Informasi, Universitas Gadjah Mada
Jl. Grafika No 2 Fakultas Teknik UGM, Yogyakarta 55283, Indonesia
[email protected], [email protected], [email protected]
Abstract—IP Camera is a one of detection devices that most
widely used to home, buildings and areas surveillance. IP
Camera has been designed to communicate directly over the
Internet network. It can be done because the IP Camera has
equipped by a web server and web pages as an interface. In
general, IP Camera comes with the ability to detect motion.
The motion information is delivered using FTP protocol.
This research proposed a model of motion detection using a
variety of frame differences methods. The HTTP is used as
communication protocol. The best algorithm is expected to
be used for web-based home surveillance applications.
Keywords:
differences
IP
Camera,
I.
motion
detection,
frame
PENDAHULUAN
Kajian tentang deteksi termasuk dalam kajian
Computer Vision jika pendeteksian dilakukan dengan
menggunakan citra. Kamera merupakan salah satu media
yang digunakan untuk menangkap citra suatu objek. IP
Camera merupakan salah satu perangkat yang digunakan
untuk mengetahui kondisi suatu area. IP Camera memiliki
kemampuan untuk berkomunikasi langsung dengan
jaringan internet. Oleh karena itu, dengan mengakses
alamat IP dari sebuah IP Camera , maka pengguna bisa
melihat area atau objek yang dipantau melalui web
browser.
Pada umumnya, IP Camera telah dilengkapi dengan
kemampuan untuk mendeteksi gerak. Pendeteksian gerak
dikomunikasikan dengan menggunakan protocol FTP.
Sehingga, setiap citra objek yang dianggap bergerak,
dikirimkan ke FTP server melalui protocol FTP. Proses ini
tergolong mudah karena hanya membutuhkan beberapa
pengaturan sederhana di sistem IP Camera . Akan tetapi
pemanfaatan FTP ini tidak memungkinkan dilakukan
pengaturan pola pemantauan dan deteksi gerak yang
disesuaikan dengan kondisi area atau objek yang dipantau.
Keadaan ini terjadi karena pendeteksian yang akan
dirancang untuk keperluan pemantauan dan keamanan.
Penelitian
ini
mengajukan
sebuah
metode
pendeteksian gerak dengan menggunakan web server
yang dipasang aplikasi pendeteksi gerak. Aplikasi
pendeteksi gerak dirancang dengan manggunakan bahasa
pemrograman berbasis web. Metode yang digunakan
dalam penelitian ini adalah frame differences. Metode ini
bekerja dengan melakukan pembandingan nilai piksel
citra. Sehingga ketelitian metode ini tergolong tinggi.
Dewasa ini telah banyak dilakukan penelitian tentang
pendeteksian gerak dengan menggunakan metode Frame
differences. Penelitian yang dilakukan oleh Mishra dkk.
[1], menggunakan metode frame differences dan
background subtraction untuk mendeteksi gerak dari RF
camera yang dipasang di perangkat pendeteksi gerak yang
dirancang. Sama halnya dengan penelitian Migliore dkk.
[2], penelitian ini juga menggunakan metode frame
differences. Perbedaannya, penelitian ini menggunakan
teknik penentuan citra referensi dengan cara
menggabungkan metode frame differencing dengan
metode background subtraction. Metode ini dikenal
dengan nama metode hybrid. Perbandingan dilakukan
setelah dilakukan penggabungan terhadap perbedaan yang
terdeteksi. Penelitian yang dilakukan oleh Jim´enez dkk
[3], menggunakan metode background classification
untuk mendeteksi gerak dari kamera yang digunakan.
Berdasarkan penelitian-penelitian tersebut, frame
differences merupakan salah satu metode yang umum
digunakan untuk melakukan pendeteksian gerak melalui
objek citra. Pendeteksian gerak tidak diharuskan untuk
mengenali jenis objek yang ditangkap, ataupun
menelusuri pergerakan objek tersebut. Penelitian yang
dilakukan lebih kepada pengaturan dan modifikasi metode
frame differences, sehingga cocok diterapkan untuk IP
Camera dan aplikasi bebasis web.
Oleh karena itu, penelitian ini mengajukan
pendeteksian gerak dari citra yang ditangkap dengan
menggunakan IP Camera . Pendeteksian gerak dengan
metode frame differences ini dianalisis dengan melakukan
modifikasi proses komputasi dan citra yang akan
dideteksi. Hasil perancangan ini diharapkan menghasilkan
pengaturan yang tepat untuk algoritma pendeteksian
gerak. Algortima tersebut akan dipasang pada aplikasi
pemantau rumah berbasis web yang menggunakan IP
Camera .
II.
METODE PENDETEKSIAN GERAK
Menurut penelitian yang dilakukan oleh Mishra dkk
[1], ada tiga metode yang umum digunakan untuk
mendeteksi gerak. Metode tersebut adalah background
subtraction, optical flow dan temporal differences.
Background
subtraction
dilakukan
dengan
membandingkan citra tertentu dengan citra yang dijadikan
sebagai referensi. Optical flow merupakan sebuah metode
segmentasi gerak yang menggunakan karakteristik
pergerakan untuk mendeteksi gerak secara independen
yang melewati sebuah kamera. Menurut penelitian yang
dilakukan oleh Murali dan Girisha [4], metode ini
membutuhkan proses komputasi yang kompleks dan
sangat sensitif terhadap ganguan. Metode temporal
differences juga dikenal dengan nama frame differences.
Metode ini dilakukan dengan membandingkan frameframe citra yang ditangkap sesuai dengan urutan waktu.
Penelitian lain yang dilakukan oleh Kenchannavar dkk
[5], menjelaskan tentang algoritma yang diterapkan dalam
metode background subtraction dan frame differences.
Penelitian yang dilakukan dengan menerapkan konsep
SAD. SAD merupakan singkatan dari Sum of Absolute
Difference. SAD inilah yang digunakan untuk menyatakan
ada atau tidaknya pergerakan suatu pasang citra. Metode
pendeteksian lain dilakukan dengan teknik Double
Differences. Teknik komparasai citra ini dikembangkan
oleh Kameda dan Minoh [6]. Double Differences
dilakukan dengan membandingkan citra dengan waktu t
dengan citra t-1, selanjutnya dilakukan pembandingan
kedua antara citra t-1 dengan citra t-2. Berbeda dengan
metode yang dikembangkan oleh Collins dkk [7],
pembandingan dilakukan antara citra t dengan citra t-1,
dan antara citra t dengan citra t-2.
Penelitian yang dilakukan oleh Migliore dkk [2],
melakukan proses frame differences dengan menggunakan
citra referensi yang disesuaikan menurut kondisi
lingkungan. Jika kondisi malam, maka referensi yang
digunakan adalah referensi saat malam hari. Model
referensi ini dikembangkan adaptif dengan kondisi
lingkungan objek atau area. Penelitian yang dilakukan
oleh Jim´enez dkk [3], menjelaskan teknik frame
differences secara lebih mendetil. Pembandingan
dilakukan
dengan
melakukan
komputasi
dan
pembandingan antara sebuah citra dengan citra lain.
Pembandingan dilakukan terhadap nilai-nilai piksel yang
dihasilkan dari proses komputasi komponen warna citra.
Selanjutnya
dilakukan
operasi
AND
untuk
mengkomparasi antar piksel kedua citra tersebut. Prinsip
penelitian yang dilakukan Jim´enez dkk [3] dan
Kenchannavar dkk [11], menerapkan mekanisme yang
sama dalam menentukan ada atau tidaknya pergerakan.
Menurut penelitian Rosin dan Ellis [8], Algortima
frame differences dilakukan melalui 3 tahap. Tahap
pertama adalah proses penentuan citra referensi atau citra
latar (background). Tahap kedua adalah proses operasi
artimatika subtraction, dan yang terakhir pengaturan
ambang batas (threshold). Threshold merupakan bagian
penting untuk penentuan ketelitian dari pendeteksian
gerak. Menurut penelitian [3], nilai threshold berbanding
terbalik dengan jumlah noise yang dideteksi setelah
dilakukan proses pembandingan. Semakin kecil nilai
threshold suatu algortima frame differences, maka
semakin besar jumlah noise yang terdeteksi. Penelitian
yang dilakukan oleh Rosin dan Ellis [7] melakukan
pengaturan threshold dengan menggunakan algoritma
automatic threshold.
Penelitian yang dilakukan oleh Gupta dkk [9]
memperkenalkan istilah dynamic template matching.
Penelitian ini menjelaskan bahwa dynamic template
matching merupakan proses penentuan citra referensi
yang dilakukan secara dinamis. Penelitian [2, 5, 6] telah
menerapkan mekanisme penentuan citra referensi dengan
metode dynamic template matching.
Secara keselurahan, penelitian yang telah dijelaskan
menggunakan frame differences sebagai acuan utama
untuk mendeteksi gerak yang ditangkap melalui kamera.
Metode frame differences tersebut dikombinasikan dengan
berbagai metode dan algoritma dalam penentuan gambar
referensi dan threshold pembandingan. Penelitian ini
menggunakan metode frame differences untuk mendeteksi
gerak yang dipantau dengan menggunakan IP Camera .
Selanjutnya teknik penentuan citra referensi dilakukan
dengan menggunakan metode dynamic template
matching. Citra referensi yang digunakan adalah citra
yang ditangkap pada waktu ke t-1. Dimana citra yang
akan di deteksi ditandai dengan citra yang ditangkap pada
waktu t.
III.
PENDETEKSIAN GERAK IP CAMERA
Secara umum, proses yang dilakukan dalam
pendeteksian gerak dengan menggunakan metode frame
differences dapat dilihat pada poin-poin berikut ini.
Menangkap
gambar
dari
IP
Camera .
Penangkapan dilakukan sesuai dengan periode
waktu tertentu.
Penentuan resolusi citra yang akan disimpan di
database. Resolusi citra yang ditangkap dari IP
Camera adalah 640 × 480 piksel.
Penentuan komponen warna citra. Komponen
warna citra yang diuji coba dalam penelitian
inilah RGB, Grayscale dan YCbCr. Warna RGB
merupakan warna asli citra. Sedangkan Citra
Grayscale didapat dari persamaan (1).
f o (x, y) =
f iR (x, y) + f iG (x, y) + f iB (x, y)
3
Dimana : fo adalah nilai komponen warna
grayscale, fiR , fiG dan fiB adalah nilai RGB Citra.
Proses konversi citra RGB ke YCbCr [9] didapat
dari persamaan (2)
0.587
0.144 R
Y 16 0.299
Cb 128 0.1687 0.3313
0.5 G
Cr 128 0.5
0.4187 0.0183 B
(2)
Dimana: Y adalah komponen warna luminansi,
dan Cb, Cr adalah komponen warna citra selain
luminansi. R, G dan B adalah komponen warna
RGB citra.
Penentuan citra referensi (template). Citra
referensi ditentukan dengan menggunakan metode
dynamic template matching . Dimana citra
referensi adalah citra yang ditangkap pada waktu
t-1.
Metode frame differences. Metode
frame
differences yang digunakan disesuaikan dengan
jenis komponen warna citra yang akan
dikomparasikan. Citra RGB dan YCbCr
menggunakan persamaan frame differences (3).
( g R ( x, y) T ) f R ( x, y) ( g R ( x, y) T )
( g G ( x, y) T ) fG ( x, y) ( g G ( x, y) T )
( g B ( x, y) T ) f B ( x, y) ( g B ( x, y) T )
(3)
Dimana : Dimana: g R , g G , g B adalah komponen
RGB citra yang ditangkap pada waktu t,
sedangkan f R , f G , f B adalah komponen RGB
citra referensi yang ditangkap pada waktu t-1.
Selain membandingkan semua piksel komponen
warna RGB, metode frame differences juga
dilakukan dengan membandingkan piksel ratarata komponen RGB. Pengujian dengan langkah
ini dilakukan dengan menggunakan persamaan
(4).
g R ( x, y) g G ( x, y) g B ( x, y)
3
f R ( x, y) fG ( x, y) f B ( x, y)
f o ( x, y)
3
( g o ( x, y) T ) f o ( x, y) ( g o ( x, y) T )
g o ( x, y)
(4)
Sedangkan metode frame differences untuk citra
grayscale didapat dengan persamaan (5).
( g g ( x, y) T ) f g ( x, y) ( g g ( x, y) T )
(5)
Dimana: g R , g G , g B adalah komponen RGB citra
yang ditangkap pada waktu t, sedangkan
f R , f G , f B adalah komponen RGB citra referensi
yang ditangkap pada waktu t-1. fo dan g o adalah
nilai rata-rata dari penjumlahan nilai komponen
warna RGB. T merupakan threshold atau ambang
batas nilai RGB. Threshold juga dikenal dengan
nilai toleransi perbedaan warna yang ditentukan
untuk algoritma frame differences.
Proses pembandingan yang dilakukan pada
persamaan 3, 4 dan 5. Jika syarat persamaan
tersebut tidak dipenuhi, maka pada koordinat (x,y)
tersebut
dikatakan
terdeteksi
pergerakan.
Akumulasi jumlah perbedaan pada koordinat citra
tersebut merupakan nilai total perbedaan.
Sehingga untuk citra RGB persentase perbedaan
didapat dari persamaan (7).
D
f
R
i
( x, y) f i ( x, y) f i ( x, y)
f
fG f B
G
R
B
100%
(7)
Dimana D adalah persentase total perbedaan yang
terdeteksi, sedangkan f R ( x, y) , f G ( x, y) ,
f
i
B
( x, y)
i
adalah jumlah piksel yang terdeteksi
berbeda berdasarkan komponen warna RGB.
f R , fG , f B adalah jumlah piksel
keseluruhan citra yang diambil dari tiga
komponen warna.
i
Penentuan status pendeteksian. Gerak yang
terdeteksi dibatasi dengan nilai persentase D.
Penelitian ini memberikan batasan minimal gerak
yang terdeteksi adalah 0.1%. Jika persentase yang
didapat di bawah 0.1%, maka dinyatakan tidak
ada gerakan yang terdeteksi.
IV.
ANALISIS DETEKSI GERAK F RAME DIFFERENCES
Ada beberapa faktor yang mempengaruhi hasil
pendeteksian gerak melalui IP Camera . Faktor-faktor
tersebut adalah resolusi citra, teknik penentuan citra
referensi, komponen warna citra dan penentuan nilai
threshold. Pada bagian ini dilakukan analisis yang terkait
dengan resolusi citra terhadap metode frame differences.
Jenis citra yang digunakan adalah citra RGB, Grayscale
dan YCbCr. Analisis kedua adalah penentuan jenis
komponen warna yang ditangkap dari IP Camera . Analsis
tersebut diselaraskan dengan penentuan threshold yang
terbaik dan adaptif dengan berbagai macam kondisi
lingkungan.
A. Pengaruh Threshold dan Pengaruh Resolusi Citra
Penelitian ini dilakukan untuk membandingkan
koefisien korelasi antara threshold dengan resolusi citra
yang beragam. Citra standar yang dihasilkan oleh IP
Camera memiliki resolusi 640×480 piksel. Pembandingan
dilakukan dengan mengunakan 4 resolusi citra. Resolusi
tersebut berturut-turut antara lain : 640×480 piksel,
512×384 piksel, 384×288 piksel, 256×192 piksel dan
yang terakhir 128×96 piksel. Threshold yang digunakan
bernilai antara 5 – 80 dengan menggunakan kelipatan 5.
Pengujian korelasi ini dilakukan dengan menggunakan
analisis korelasi product moment pearson. Kerana tipe
data yang digunakan adalah interval [11]. Hasil pengujian
dapat dilihat pada tabel I.
Analisis korelasi product moment pearson didapat
dengan menggunakan persamaan (8).
rxy
n xi yi xi yt
n x
2
t
x . n y y
2
i
2
i
(8)
2
i
Dimana r xy adalah nilai koefisien korelasi, dan x
merupakan nilai-nilai threshold serta y adalah persentase
beda piksel yang terdeteksi. Pengaruh nilai koefisien
korelasi diterjemahkan berdasarkan rentang nilai yang di
definisikan pada tabel berikut ini.
TABLE I.
TABEL PENGARUH KOEFISIEN KORELASI
Koefisien
-1.0 sampai -0.5 atau
1.0 sampai 0.5
-0.5 sampai -0.3 atau
0.3 sampai 0.5
-0.3 sampai -0.1 atau
0.1 sampai 0.3
-0.1 sampai 0.1
Pengaruh
Signifikan
Cukup Signifikan
Rendah
Sangat Rendah
Tabel II menjelaskan bahwa nilai koefisien korelasi
yang didapat berkisar antara 0,75 dan 0,78. Nilai tersebut
berarti bahwa, threshold memiliki pengaruh yang
signifikan terhadap hasil komparasi citra untuk ukuran
citra yang beragam. Koefisien korelasi bernilai negatif
menandakan bahwa semakin kecil nilai threshold yang
digunakan maka perbedaan piksel yang ditangkap akan
semakin besar. Jika nilai piksel perbedaan yang ditangkap
sangat tinggi, maka jumlah noise yang ditangkap dari
perbandingan juga akan tinggi.
Selain itu, berdasarkan koefisien korelasi tersebut
dapat disimpulkan bahwa, resolusi citra yang digunakan
pada pengujian tersebut tidak terlalu mempengaruhi hasil
komparasi citra. Artinya komparasi bisa dilakukan dengan
menggunakan resolusi citra yang beragam. Semakin kecil
ukuran citra akan semakin baik, karena proses iterasi
komputasi yang dilakukan akan menjadi lebih berkurang.
Namun perlu diperhatikan bahwa, dibutuhkan ukuran
ideal citra yang akan digunakan. Keadaan ini terkait
dengan informasi yang diberikan citra, sehingga citra
dengan resolusi rendah diharapkan dapat digunakan oleh
pengguna untuk melihat kondisi yang terpantau di
lapangan.
TABLE II.
KORELASI ANTARA THERSHOLD DENGAN RESOLUSI
CITRA RGB DAN GRAYSCALE
No
Ukuran
Citra
(piksel)
1.
Jenis Citra
Koefisien
Korelasi
RGB
Koefisien
Korelasi
Grayscale
640 × 480
-0.7786
-0.7876
2.
512 × 384
-0.7798
-0.7713
3.
384 × 288
-0.7779
-0.7695
4.
256 × 192
-0.7732
-0.7652
5.
128 × 96
-0.7653
-0.7577
B. Pendeteksian dengan menggunakan Citra RGB dan
YCbCr
Setelah dilakukan pengujian pengaruh resolusi citra
terhadap hasil pendeteksian, maka ditetapkan resolusi
citra yang akan digunakan dalam pengujian. Resolusi citra
yang digunakan adalah 256 × 192 piksel. Pengujian ini
dilakukan untuk membandingkan pendeteksian dengan
menggunakan citra RGB, rata-rata RGB, YCbCr dan
CbCr,. Menurut Patil [12] komponen warna YCbCr
merupakan citra yang memisahkan antara luminansi
warna dengan komponen warna lainnya. Luminansi
merupakan komponen intensitas cahaya. Warna luminansi
diletakkan ke dalam variabel Y dalam komponen warna.
grafik tersebut, rendahnya persentase yang dihasilkan nilai
threshold 5 terjadi karena tingginya noise yang dihasilkan.
Sehingga tingkat sensitivitas pendeteksian menjadi sangat
tinggi. Terkadang algoritma mendeteksi terjadinya
pergerakan pada citra, sedangkan realitanya tidak terjadi
pergerakan. Hal ini bisa terjadi karena pengaruh
pencahayaan yang ditangkap oleh IP Camera .
TABLE III.
DETEKSI DENGAN BERBAGAI NILAI THRESHOLD
Persentase Terdeteksi
Nilai
Threshold
RGB
(%)
RGB
Mean
(%)
YCbCr
(%)
CbCr
(%)
5
10
15
20
25
30
35
40
45
50
55
60
65
70
75
80
0
28
72
86
90
92
96
92
90
88
88
88
84
80
80
72
6
64
86
94
94
94
98
90
92
88
88
86
86
78
78
70
18
72
86
90
86
82
86
84
76
76
72
66
60
52
48
40
76
88
66
42
24
22
18
10
8
2
2
2
0
0
0
0
TABLE IV.
NILAI THRESHOLD TERBAIK DARI 50 SAMPEL DATA
Algoritma
berdasarkan Citra
Threshold
Terbaik
Persentase
RGB
35
96%
Mean RGB
35
98%
YCbCr
20
90%
CrCb
20
88%
Pengujian ini menggunakan 50 pasang sampel data
yang ditangkap di tempat dan kondisi yang berbeda. Citra
referensi yang digunakan adalah citra yang ditangkap
pada waktu ke t-1. Selain itu, juga akan dilakukan
penentuan threshold yang paling adaptif dengan semua
kondisi yang ditangkap oleh IP Camera .
Perbandingan dilakukan dengan melihat nilai
persentase masing-masing hasil komparasi dari 50 sampel
data. Hasil komparasi tersebut dianalisis dengan tujuan
menghasilkan informasi status hasil komparasi. Status
tersebut adalah terdeteksi atau tidak terdeteksi. Hasil
perbandingan pendeteksian dengan menggunakan citra
RGB dan YCbCr dapat dilihat pada tabel II.
Berdasarkan perbandingan yang dilakukan, maka
didapat nilai-nilai threshold terbaik untuk berbagai
algoritma metode frame differences dengan menggunakan
citra RGB dan YCbCr. Nilai- threshold terbaik tersebut
dapat dilihat pada tabel III. Grafik perbandingan
algoritma-algortma frame differences yang digunakan
dapat dilihat pada gambar 1. Berdasarkan perbandingan
Gambar 1. Perbandingan Frame Differences dari Citra yang Beragam
Selanjutnya algoritma ini akan ditanam dan diuji coba
ke sistem pemantau rumah dengan menggunakan IP
Camera . Berdasarkan pengujian ini akan dilakukan
pengujian lanjutan yang terkait dengan proses komputasi,
dan respon terbaik dari sistem pemantau rumah. Hal ini
dilakukan karena proses komputasi akan dilakukan oleh
aplikasi berbasis web. Aplikasi yang dikembangkan
dengan menggunakan bahasa pemrograman web yang
akan dipengaruhi oleh berbagai faktor dari jaringan
internet.
REFERENCES
S. Mishra, P. Mishra, N. K. Chaudhary, P. Asthana, “A Novel
Comprehensive Method for Real Time Video Motion Detection
Surveillance,”International Journal of Scientific & Engineering
Reserch Volume 2, Issue 4, April-2011
[2] D. A. Migliore, M. Matteucci and M. Naccari, “Revaluation of
Frame Difference in Fast and Robust Motion Detection, “ Proceeding VSSN '06 Proceedings of the 4th ACM International
Workshop on Video Surveillance and Sensor Networks, 2006
[3] P. G. Jim´enez, S. Maldonado-Basc´on, R. Gil-Pita, and H.
G´omez-Moreno, “Background Pixel Classification for Motion
Detection in Video Image Sequences,” ProceedingIWANN'03
Proceedings of the Artificial and natural neural networks 7th
international conference on Computational methods in neural
modeling - Volume 1, 2003
[4] S. Murali dan R. Girisha, “Segmentation of Motion Objects from
Surveillance Video Sequences Using Temporal Differencing
Combined with Multiple Correlation,” Advanced Video and
Signal Based Surveillance, 2009. AVSS '09. Sixth IEEE
International Conference on,
[5] H. H. Kenchannavar, G. S. Patkar and U. P. Kulkarni, “Simulink
Model for Frame Difference and Background Subtraction
Comparision in Visual Sensor Network,” on 2010 The 3rd
International Conference on Machine Vision (ICMV 2010)
[6] Y. Kameda and M. Minoh, “A Human Motion Estimation Method
Using 3-Successive viedo Frames,” Proceedings of International
Conference on Virtual Systems, In ICVSM, pages 135–140, 1996
[7] R. T. Collins, A. J. Lipton, T. Kanade, H. Fujiyoshi, D. Duggins,
Y. Tsin, D. Tolliver, N. Enomoto, O. Hasegawa, P. Burt, and L.
Wixson, “A system for video surveillance and monitoring,”
Technical Report Carnegie Mellon University, Robotics Institute,
2000
[8] P. L. Rosin and T. Ellis, “Image Difference Threshold Strategies
and Shadow Detection, “ Proceeding BMVC '95 Proceedings of
the 1995 British conference on Machine vision (Vol. 1), 1995
[9] N. Gupta, R. Gupta, A. Singh and M. Wytock, "Object
Recognition
using
Template
Matching,"
http://stanford.edu/ nikgupta/reports/cs229-report.pdf, 2008
[10] W. K. Pratt, Digital Image Processing: PIKS Inside, Third Edition
2001 . New York: John Wiley & Sons, pp. 82-83
[11] Arikunto, S. (2003). Manajemen Penelitian. Jakarta: Asdi
Mahasatya.
[12] N. K. Patil, R. M. Yadahali and J. Pujari, “Comparison between
HSV and YCbCr Color Model Color-Texture based Classification
of the Food Grains,” International Journal of Computer
Applications (0975 – 8887) Volume 34– No.4, 2011
[1]
Gambar 2. Komparasi Nilai threshold Terbaik
Gambar 2 memperlihatkan hasil pendeteksian yang
dilakukan. Hasil pendeteksian yang ditampilkan empat
data sampel dari 50 pasang sampel citra. Warna putih
merupakan pergerakan yang ditangkap oleh algoritma,
sedangkan area hitam pada citra adalah area yang tidak
bergerak.
V.
KESIMPULAN
Algoritma frame differences merupakan salah satu
algoritma yang digunakan dalam mendeteksi gerak
melalui sebuah citra. Algoritma ini bisa dimodifikasi dan
disesuaikan dengan kebutuhan suatu sistem. Pengujian
pengaruh resolusi citra dengan perbandingan hasil
pendeteksian menunjukkan bahwa ukuran citra tidak
terlalu mempengaruhi hasil pendeteksian. Sepanjang
ukuran tersebut masih bisa dimanfaatkan oleh pengguna.
Artinya perbandingan dapat dilakukan dengan resolusi
citra ideal. Ideal berarti resolusi citra tidak terlalu besar
dan tidak terlalu kecil. Sehingga dengan menggunakan
citra dengan resolusi tersebut, pengguna tetap bisa
memperoleh informasi dari citra tersebut.
Algoritma yang digunakan metode frame differences
dipengaruhi oleh jenis citra dan model komputasi yang
dilakukan. Pengujian dengan menggunakan citra RGB
dan YCbCr memberikan rekomendasi nilai threshold
terbaik yang bisa diterapkan untuk aplikasi pemantau
rumah dengan menggunakan IP Camera . Nilai threshold
ini didapat dengan menggunakan 50 sampel data citra.
Pengujian ini menunjukan bahwa citra RGB dengan
menggunakan model komputasi rata-rata dengan nilai
threshold 35 menghasilkan nilai pengujian terbaik.
pada IP Camera
Muhammad Ihsan Zul1, Widyawan2, Lukito Edi Nugroho3
Pervasive and Mobile Computing Group
Teknik Elektro dan Teknologi Informasi, Universitas Gadjah Mada
Jl. Grafika No 2 Fakultas Teknik UGM, Yogyakarta 55283, Indonesia
[email protected], [email protected], [email protected]
Abstract—IP Camera is a one of detection devices that most
widely used to home, buildings and areas surveillance. IP
Camera has been designed to communicate directly over the
Internet network. It can be done because the IP Camera has
equipped by a web server and web pages as an interface. In
general, IP Camera comes with the ability to detect motion.
The motion information is delivered using FTP protocol.
This research proposed a model of motion detection using a
variety of frame differences methods. The HTTP is used as
communication protocol. The best algorithm is expected to
be used for web-based home surveillance applications.
Keywords:
differences
IP
Camera,
I.
motion
detection,
frame
PENDAHULUAN
Kajian tentang deteksi termasuk dalam kajian
Computer Vision jika pendeteksian dilakukan dengan
menggunakan citra. Kamera merupakan salah satu media
yang digunakan untuk menangkap citra suatu objek. IP
Camera merupakan salah satu perangkat yang digunakan
untuk mengetahui kondisi suatu area. IP Camera memiliki
kemampuan untuk berkomunikasi langsung dengan
jaringan internet. Oleh karena itu, dengan mengakses
alamat IP dari sebuah IP Camera , maka pengguna bisa
melihat area atau objek yang dipantau melalui web
browser.
Pada umumnya, IP Camera telah dilengkapi dengan
kemampuan untuk mendeteksi gerak. Pendeteksian gerak
dikomunikasikan dengan menggunakan protocol FTP.
Sehingga, setiap citra objek yang dianggap bergerak,
dikirimkan ke FTP server melalui protocol FTP. Proses ini
tergolong mudah karena hanya membutuhkan beberapa
pengaturan sederhana di sistem IP Camera . Akan tetapi
pemanfaatan FTP ini tidak memungkinkan dilakukan
pengaturan pola pemantauan dan deteksi gerak yang
disesuaikan dengan kondisi area atau objek yang dipantau.
Keadaan ini terjadi karena pendeteksian yang akan
dirancang untuk keperluan pemantauan dan keamanan.
Penelitian
ini
mengajukan
sebuah
metode
pendeteksian gerak dengan menggunakan web server
yang dipasang aplikasi pendeteksi gerak. Aplikasi
pendeteksi gerak dirancang dengan manggunakan bahasa
pemrograman berbasis web. Metode yang digunakan
dalam penelitian ini adalah frame differences. Metode ini
bekerja dengan melakukan pembandingan nilai piksel
citra. Sehingga ketelitian metode ini tergolong tinggi.
Dewasa ini telah banyak dilakukan penelitian tentang
pendeteksian gerak dengan menggunakan metode Frame
differences. Penelitian yang dilakukan oleh Mishra dkk.
[1], menggunakan metode frame differences dan
background subtraction untuk mendeteksi gerak dari RF
camera yang dipasang di perangkat pendeteksi gerak yang
dirancang. Sama halnya dengan penelitian Migliore dkk.
[2], penelitian ini juga menggunakan metode frame
differences. Perbedaannya, penelitian ini menggunakan
teknik penentuan citra referensi dengan cara
menggabungkan metode frame differencing dengan
metode background subtraction. Metode ini dikenal
dengan nama metode hybrid. Perbandingan dilakukan
setelah dilakukan penggabungan terhadap perbedaan yang
terdeteksi. Penelitian yang dilakukan oleh Jim´enez dkk
[3], menggunakan metode background classification
untuk mendeteksi gerak dari kamera yang digunakan.
Berdasarkan penelitian-penelitian tersebut, frame
differences merupakan salah satu metode yang umum
digunakan untuk melakukan pendeteksian gerak melalui
objek citra. Pendeteksian gerak tidak diharuskan untuk
mengenali jenis objek yang ditangkap, ataupun
menelusuri pergerakan objek tersebut. Penelitian yang
dilakukan lebih kepada pengaturan dan modifikasi metode
frame differences, sehingga cocok diterapkan untuk IP
Camera dan aplikasi bebasis web.
Oleh karena itu, penelitian ini mengajukan
pendeteksian gerak dari citra yang ditangkap dengan
menggunakan IP Camera . Pendeteksian gerak dengan
metode frame differences ini dianalisis dengan melakukan
modifikasi proses komputasi dan citra yang akan
dideteksi. Hasil perancangan ini diharapkan menghasilkan
pengaturan yang tepat untuk algoritma pendeteksian
gerak. Algortima tersebut akan dipasang pada aplikasi
pemantau rumah berbasis web yang menggunakan IP
Camera .
II.
METODE PENDETEKSIAN GERAK
Menurut penelitian yang dilakukan oleh Mishra dkk
[1], ada tiga metode yang umum digunakan untuk
mendeteksi gerak. Metode tersebut adalah background
subtraction, optical flow dan temporal differences.
Background
subtraction
dilakukan
dengan
membandingkan citra tertentu dengan citra yang dijadikan
sebagai referensi. Optical flow merupakan sebuah metode
segmentasi gerak yang menggunakan karakteristik
pergerakan untuk mendeteksi gerak secara independen
yang melewati sebuah kamera. Menurut penelitian yang
dilakukan oleh Murali dan Girisha [4], metode ini
membutuhkan proses komputasi yang kompleks dan
sangat sensitif terhadap ganguan. Metode temporal
differences juga dikenal dengan nama frame differences.
Metode ini dilakukan dengan membandingkan frameframe citra yang ditangkap sesuai dengan urutan waktu.
Penelitian lain yang dilakukan oleh Kenchannavar dkk
[5], menjelaskan tentang algoritma yang diterapkan dalam
metode background subtraction dan frame differences.
Penelitian yang dilakukan dengan menerapkan konsep
SAD. SAD merupakan singkatan dari Sum of Absolute
Difference. SAD inilah yang digunakan untuk menyatakan
ada atau tidaknya pergerakan suatu pasang citra. Metode
pendeteksian lain dilakukan dengan teknik Double
Differences. Teknik komparasai citra ini dikembangkan
oleh Kameda dan Minoh [6]. Double Differences
dilakukan dengan membandingkan citra dengan waktu t
dengan citra t-1, selanjutnya dilakukan pembandingan
kedua antara citra t-1 dengan citra t-2. Berbeda dengan
metode yang dikembangkan oleh Collins dkk [7],
pembandingan dilakukan antara citra t dengan citra t-1,
dan antara citra t dengan citra t-2.
Penelitian yang dilakukan oleh Migliore dkk [2],
melakukan proses frame differences dengan menggunakan
citra referensi yang disesuaikan menurut kondisi
lingkungan. Jika kondisi malam, maka referensi yang
digunakan adalah referensi saat malam hari. Model
referensi ini dikembangkan adaptif dengan kondisi
lingkungan objek atau area. Penelitian yang dilakukan
oleh Jim´enez dkk [3], menjelaskan teknik frame
differences secara lebih mendetil. Pembandingan
dilakukan
dengan
melakukan
komputasi
dan
pembandingan antara sebuah citra dengan citra lain.
Pembandingan dilakukan terhadap nilai-nilai piksel yang
dihasilkan dari proses komputasi komponen warna citra.
Selanjutnya
dilakukan
operasi
AND
untuk
mengkomparasi antar piksel kedua citra tersebut. Prinsip
penelitian yang dilakukan Jim´enez dkk [3] dan
Kenchannavar dkk [11], menerapkan mekanisme yang
sama dalam menentukan ada atau tidaknya pergerakan.
Menurut penelitian Rosin dan Ellis [8], Algortima
frame differences dilakukan melalui 3 tahap. Tahap
pertama adalah proses penentuan citra referensi atau citra
latar (background). Tahap kedua adalah proses operasi
artimatika subtraction, dan yang terakhir pengaturan
ambang batas (threshold). Threshold merupakan bagian
penting untuk penentuan ketelitian dari pendeteksian
gerak. Menurut penelitian [3], nilai threshold berbanding
terbalik dengan jumlah noise yang dideteksi setelah
dilakukan proses pembandingan. Semakin kecil nilai
threshold suatu algortima frame differences, maka
semakin besar jumlah noise yang terdeteksi. Penelitian
yang dilakukan oleh Rosin dan Ellis [7] melakukan
pengaturan threshold dengan menggunakan algoritma
automatic threshold.
Penelitian yang dilakukan oleh Gupta dkk [9]
memperkenalkan istilah dynamic template matching.
Penelitian ini menjelaskan bahwa dynamic template
matching merupakan proses penentuan citra referensi
yang dilakukan secara dinamis. Penelitian [2, 5, 6] telah
menerapkan mekanisme penentuan citra referensi dengan
metode dynamic template matching.
Secara keselurahan, penelitian yang telah dijelaskan
menggunakan frame differences sebagai acuan utama
untuk mendeteksi gerak yang ditangkap melalui kamera.
Metode frame differences tersebut dikombinasikan dengan
berbagai metode dan algoritma dalam penentuan gambar
referensi dan threshold pembandingan. Penelitian ini
menggunakan metode frame differences untuk mendeteksi
gerak yang dipantau dengan menggunakan IP Camera .
Selanjutnya teknik penentuan citra referensi dilakukan
dengan menggunakan metode dynamic template
matching. Citra referensi yang digunakan adalah citra
yang ditangkap pada waktu ke t-1. Dimana citra yang
akan di deteksi ditandai dengan citra yang ditangkap pada
waktu t.
III.
PENDETEKSIAN GERAK IP CAMERA
Secara umum, proses yang dilakukan dalam
pendeteksian gerak dengan menggunakan metode frame
differences dapat dilihat pada poin-poin berikut ini.
Menangkap
gambar
dari
IP
Camera .
Penangkapan dilakukan sesuai dengan periode
waktu tertentu.
Penentuan resolusi citra yang akan disimpan di
database. Resolusi citra yang ditangkap dari IP
Camera adalah 640 × 480 piksel.
Penentuan komponen warna citra. Komponen
warna citra yang diuji coba dalam penelitian
inilah RGB, Grayscale dan YCbCr. Warna RGB
merupakan warna asli citra. Sedangkan Citra
Grayscale didapat dari persamaan (1).
f o (x, y) =
f iR (x, y) + f iG (x, y) + f iB (x, y)
3
Dimana : fo adalah nilai komponen warna
grayscale, fiR , fiG dan fiB adalah nilai RGB Citra.
Proses konversi citra RGB ke YCbCr [9] didapat
dari persamaan (2)
0.587
0.144 R
Y 16 0.299
Cb 128 0.1687 0.3313
0.5 G
Cr 128 0.5
0.4187 0.0183 B
(2)
Dimana: Y adalah komponen warna luminansi,
dan Cb, Cr adalah komponen warna citra selain
luminansi. R, G dan B adalah komponen warna
RGB citra.
Penentuan citra referensi (template). Citra
referensi ditentukan dengan menggunakan metode
dynamic template matching . Dimana citra
referensi adalah citra yang ditangkap pada waktu
t-1.
Metode frame differences. Metode
frame
differences yang digunakan disesuaikan dengan
jenis komponen warna citra yang akan
dikomparasikan. Citra RGB dan YCbCr
menggunakan persamaan frame differences (3).
( g R ( x, y) T ) f R ( x, y) ( g R ( x, y) T )
( g G ( x, y) T ) fG ( x, y) ( g G ( x, y) T )
( g B ( x, y) T ) f B ( x, y) ( g B ( x, y) T )
(3)
Dimana : Dimana: g R , g G , g B adalah komponen
RGB citra yang ditangkap pada waktu t,
sedangkan f R , f G , f B adalah komponen RGB
citra referensi yang ditangkap pada waktu t-1.
Selain membandingkan semua piksel komponen
warna RGB, metode frame differences juga
dilakukan dengan membandingkan piksel ratarata komponen RGB. Pengujian dengan langkah
ini dilakukan dengan menggunakan persamaan
(4).
g R ( x, y) g G ( x, y) g B ( x, y)
3
f R ( x, y) fG ( x, y) f B ( x, y)
f o ( x, y)
3
( g o ( x, y) T ) f o ( x, y) ( g o ( x, y) T )
g o ( x, y)
(4)
Sedangkan metode frame differences untuk citra
grayscale didapat dengan persamaan (5).
( g g ( x, y) T ) f g ( x, y) ( g g ( x, y) T )
(5)
Dimana: g R , g G , g B adalah komponen RGB citra
yang ditangkap pada waktu t, sedangkan
f R , f G , f B adalah komponen RGB citra referensi
yang ditangkap pada waktu t-1. fo dan g o adalah
nilai rata-rata dari penjumlahan nilai komponen
warna RGB. T merupakan threshold atau ambang
batas nilai RGB. Threshold juga dikenal dengan
nilai toleransi perbedaan warna yang ditentukan
untuk algoritma frame differences.
Proses pembandingan yang dilakukan pada
persamaan 3, 4 dan 5. Jika syarat persamaan
tersebut tidak dipenuhi, maka pada koordinat (x,y)
tersebut
dikatakan
terdeteksi
pergerakan.
Akumulasi jumlah perbedaan pada koordinat citra
tersebut merupakan nilai total perbedaan.
Sehingga untuk citra RGB persentase perbedaan
didapat dari persamaan (7).
D
f
R
i
( x, y) f i ( x, y) f i ( x, y)
f
fG f B
G
R
B
100%
(7)
Dimana D adalah persentase total perbedaan yang
terdeteksi, sedangkan f R ( x, y) , f G ( x, y) ,
f
i
B
( x, y)
i
adalah jumlah piksel yang terdeteksi
berbeda berdasarkan komponen warna RGB.
f R , fG , f B adalah jumlah piksel
keseluruhan citra yang diambil dari tiga
komponen warna.
i
Penentuan status pendeteksian. Gerak yang
terdeteksi dibatasi dengan nilai persentase D.
Penelitian ini memberikan batasan minimal gerak
yang terdeteksi adalah 0.1%. Jika persentase yang
didapat di bawah 0.1%, maka dinyatakan tidak
ada gerakan yang terdeteksi.
IV.
ANALISIS DETEKSI GERAK F RAME DIFFERENCES
Ada beberapa faktor yang mempengaruhi hasil
pendeteksian gerak melalui IP Camera . Faktor-faktor
tersebut adalah resolusi citra, teknik penentuan citra
referensi, komponen warna citra dan penentuan nilai
threshold. Pada bagian ini dilakukan analisis yang terkait
dengan resolusi citra terhadap metode frame differences.
Jenis citra yang digunakan adalah citra RGB, Grayscale
dan YCbCr. Analisis kedua adalah penentuan jenis
komponen warna yang ditangkap dari IP Camera . Analsis
tersebut diselaraskan dengan penentuan threshold yang
terbaik dan adaptif dengan berbagai macam kondisi
lingkungan.
A. Pengaruh Threshold dan Pengaruh Resolusi Citra
Penelitian ini dilakukan untuk membandingkan
koefisien korelasi antara threshold dengan resolusi citra
yang beragam. Citra standar yang dihasilkan oleh IP
Camera memiliki resolusi 640×480 piksel. Pembandingan
dilakukan dengan mengunakan 4 resolusi citra. Resolusi
tersebut berturut-turut antara lain : 640×480 piksel,
512×384 piksel, 384×288 piksel, 256×192 piksel dan
yang terakhir 128×96 piksel. Threshold yang digunakan
bernilai antara 5 – 80 dengan menggunakan kelipatan 5.
Pengujian korelasi ini dilakukan dengan menggunakan
analisis korelasi product moment pearson. Kerana tipe
data yang digunakan adalah interval [11]. Hasil pengujian
dapat dilihat pada tabel I.
Analisis korelasi product moment pearson didapat
dengan menggunakan persamaan (8).
rxy
n xi yi xi yt
n x
2
t
x . n y y
2
i
2
i
(8)
2
i
Dimana r xy adalah nilai koefisien korelasi, dan x
merupakan nilai-nilai threshold serta y adalah persentase
beda piksel yang terdeteksi. Pengaruh nilai koefisien
korelasi diterjemahkan berdasarkan rentang nilai yang di
definisikan pada tabel berikut ini.
TABLE I.
TABEL PENGARUH KOEFISIEN KORELASI
Koefisien
-1.0 sampai -0.5 atau
1.0 sampai 0.5
-0.5 sampai -0.3 atau
0.3 sampai 0.5
-0.3 sampai -0.1 atau
0.1 sampai 0.3
-0.1 sampai 0.1
Pengaruh
Signifikan
Cukup Signifikan
Rendah
Sangat Rendah
Tabel II menjelaskan bahwa nilai koefisien korelasi
yang didapat berkisar antara 0,75 dan 0,78. Nilai tersebut
berarti bahwa, threshold memiliki pengaruh yang
signifikan terhadap hasil komparasi citra untuk ukuran
citra yang beragam. Koefisien korelasi bernilai negatif
menandakan bahwa semakin kecil nilai threshold yang
digunakan maka perbedaan piksel yang ditangkap akan
semakin besar. Jika nilai piksel perbedaan yang ditangkap
sangat tinggi, maka jumlah noise yang ditangkap dari
perbandingan juga akan tinggi.
Selain itu, berdasarkan koefisien korelasi tersebut
dapat disimpulkan bahwa, resolusi citra yang digunakan
pada pengujian tersebut tidak terlalu mempengaruhi hasil
komparasi citra. Artinya komparasi bisa dilakukan dengan
menggunakan resolusi citra yang beragam. Semakin kecil
ukuran citra akan semakin baik, karena proses iterasi
komputasi yang dilakukan akan menjadi lebih berkurang.
Namun perlu diperhatikan bahwa, dibutuhkan ukuran
ideal citra yang akan digunakan. Keadaan ini terkait
dengan informasi yang diberikan citra, sehingga citra
dengan resolusi rendah diharapkan dapat digunakan oleh
pengguna untuk melihat kondisi yang terpantau di
lapangan.
TABLE II.
KORELASI ANTARA THERSHOLD DENGAN RESOLUSI
CITRA RGB DAN GRAYSCALE
No
Ukuran
Citra
(piksel)
1.
Jenis Citra
Koefisien
Korelasi
RGB
Koefisien
Korelasi
Grayscale
640 × 480
-0.7786
-0.7876
2.
512 × 384
-0.7798
-0.7713
3.
384 × 288
-0.7779
-0.7695
4.
256 × 192
-0.7732
-0.7652
5.
128 × 96
-0.7653
-0.7577
B. Pendeteksian dengan menggunakan Citra RGB dan
YCbCr
Setelah dilakukan pengujian pengaruh resolusi citra
terhadap hasil pendeteksian, maka ditetapkan resolusi
citra yang akan digunakan dalam pengujian. Resolusi citra
yang digunakan adalah 256 × 192 piksel. Pengujian ini
dilakukan untuk membandingkan pendeteksian dengan
menggunakan citra RGB, rata-rata RGB, YCbCr dan
CbCr,. Menurut Patil [12] komponen warna YCbCr
merupakan citra yang memisahkan antara luminansi
warna dengan komponen warna lainnya. Luminansi
merupakan komponen intensitas cahaya. Warna luminansi
diletakkan ke dalam variabel Y dalam komponen warna.
grafik tersebut, rendahnya persentase yang dihasilkan nilai
threshold 5 terjadi karena tingginya noise yang dihasilkan.
Sehingga tingkat sensitivitas pendeteksian menjadi sangat
tinggi. Terkadang algoritma mendeteksi terjadinya
pergerakan pada citra, sedangkan realitanya tidak terjadi
pergerakan. Hal ini bisa terjadi karena pengaruh
pencahayaan yang ditangkap oleh IP Camera .
TABLE III.
DETEKSI DENGAN BERBAGAI NILAI THRESHOLD
Persentase Terdeteksi
Nilai
Threshold
RGB
(%)
RGB
Mean
(%)
YCbCr
(%)
CbCr
(%)
5
10
15
20
25
30
35
40
45
50
55
60
65
70
75
80
0
28
72
86
90
92
96
92
90
88
88
88
84
80
80
72
6
64
86
94
94
94
98
90
92
88
88
86
86
78
78
70
18
72
86
90
86
82
86
84
76
76
72
66
60
52
48
40
76
88
66
42
24
22
18
10
8
2
2
2
0
0
0
0
TABLE IV.
NILAI THRESHOLD TERBAIK DARI 50 SAMPEL DATA
Algoritma
berdasarkan Citra
Threshold
Terbaik
Persentase
RGB
35
96%
Mean RGB
35
98%
YCbCr
20
90%
CrCb
20
88%
Pengujian ini menggunakan 50 pasang sampel data
yang ditangkap di tempat dan kondisi yang berbeda. Citra
referensi yang digunakan adalah citra yang ditangkap
pada waktu ke t-1. Selain itu, juga akan dilakukan
penentuan threshold yang paling adaptif dengan semua
kondisi yang ditangkap oleh IP Camera .
Perbandingan dilakukan dengan melihat nilai
persentase masing-masing hasil komparasi dari 50 sampel
data. Hasil komparasi tersebut dianalisis dengan tujuan
menghasilkan informasi status hasil komparasi. Status
tersebut adalah terdeteksi atau tidak terdeteksi. Hasil
perbandingan pendeteksian dengan menggunakan citra
RGB dan YCbCr dapat dilihat pada tabel II.
Berdasarkan perbandingan yang dilakukan, maka
didapat nilai-nilai threshold terbaik untuk berbagai
algoritma metode frame differences dengan menggunakan
citra RGB dan YCbCr. Nilai- threshold terbaik tersebut
dapat dilihat pada tabel III. Grafik perbandingan
algoritma-algortma frame differences yang digunakan
dapat dilihat pada gambar 1. Berdasarkan perbandingan
Gambar 1. Perbandingan Frame Differences dari Citra yang Beragam
Selanjutnya algoritma ini akan ditanam dan diuji coba
ke sistem pemantau rumah dengan menggunakan IP
Camera . Berdasarkan pengujian ini akan dilakukan
pengujian lanjutan yang terkait dengan proses komputasi,
dan respon terbaik dari sistem pemantau rumah. Hal ini
dilakukan karena proses komputasi akan dilakukan oleh
aplikasi berbasis web. Aplikasi yang dikembangkan
dengan menggunakan bahasa pemrograman web yang
akan dipengaruhi oleh berbagai faktor dari jaringan
internet.
REFERENCES
S. Mishra, P. Mishra, N. K. Chaudhary, P. Asthana, “A Novel
Comprehensive Method for Real Time Video Motion Detection
Surveillance,”International Journal of Scientific & Engineering
Reserch Volume 2, Issue 4, April-2011
[2] D. A. Migliore, M. Matteucci and M. Naccari, “Revaluation of
Frame Difference in Fast and Robust Motion Detection, “ Proceeding VSSN '06 Proceedings of the 4th ACM International
Workshop on Video Surveillance and Sensor Networks, 2006
[3] P. G. Jim´enez, S. Maldonado-Basc´on, R. Gil-Pita, and H.
G´omez-Moreno, “Background Pixel Classification for Motion
Detection in Video Image Sequences,” ProceedingIWANN'03
Proceedings of the Artificial and natural neural networks 7th
international conference on Computational methods in neural
modeling - Volume 1, 2003
[4] S. Murali dan R. Girisha, “Segmentation of Motion Objects from
Surveillance Video Sequences Using Temporal Differencing
Combined with Multiple Correlation,” Advanced Video and
Signal Based Surveillance, 2009. AVSS '09. Sixth IEEE
International Conference on,
[5] H. H. Kenchannavar, G. S. Patkar and U. P. Kulkarni, “Simulink
Model for Frame Difference and Background Subtraction
Comparision in Visual Sensor Network,” on 2010 The 3rd
International Conference on Machine Vision (ICMV 2010)
[6] Y. Kameda and M. Minoh, “A Human Motion Estimation Method
Using 3-Successive viedo Frames,” Proceedings of International
Conference on Virtual Systems, In ICVSM, pages 135–140, 1996
[7] R. T. Collins, A. J. Lipton, T. Kanade, H. Fujiyoshi, D. Duggins,
Y. Tsin, D. Tolliver, N. Enomoto, O. Hasegawa, P. Burt, and L.
Wixson, “A system for video surveillance and monitoring,”
Technical Report Carnegie Mellon University, Robotics Institute,
2000
[8] P. L. Rosin and T. Ellis, “Image Difference Threshold Strategies
and Shadow Detection, “ Proceeding BMVC '95 Proceedings of
the 1995 British conference on Machine vision (Vol. 1), 1995
[9] N. Gupta, R. Gupta, A. Singh and M. Wytock, "Object
Recognition
using
Template
Matching,"
http://stanford.edu/ nikgupta/reports/cs229-report.pdf, 2008
[10] W. K. Pratt, Digital Image Processing: PIKS Inside, Third Edition
2001 . New York: John Wiley & Sons, pp. 82-83
[11] Arikunto, S. (2003). Manajemen Penelitian. Jakarta: Asdi
Mahasatya.
[12] N. K. Patil, R. M. Yadahali and J. Pujari, “Comparison between
HSV and YCbCr Color Model Color-Texture based Classification
of the Food Grains,” International Journal of Computer
Applications (0975 – 8887) Volume 34– No.4, 2011
[1]
Gambar 2. Komparasi Nilai threshold Terbaik
Gambar 2 memperlihatkan hasil pendeteksian yang
dilakukan. Hasil pendeteksian yang ditampilkan empat
data sampel dari 50 pasang sampel citra. Warna putih
merupakan pergerakan yang ditangkap oleh algoritma,
sedangkan area hitam pada citra adalah area yang tidak
bergerak.
V.
KESIMPULAN
Algoritma frame differences merupakan salah satu
algoritma yang digunakan dalam mendeteksi gerak
melalui sebuah citra. Algoritma ini bisa dimodifikasi dan
disesuaikan dengan kebutuhan suatu sistem. Pengujian
pengaruh resolusi citra dengan perbandingan hasil
pendeteksian menunjukkan bahwa ukuran citra tidak
terlalu mempengaruhi hasil pendeteksian. Sepanjang
ukuran tersebut masih bisa dimanfaatkan oleh pengguna.
Artinya perbandingan dapat dilakukan dengan resolusi
citra ideal. Ideal berarti resolusi citra tidak terlalu besar
dan tidak terlalu kecil. Sehingga dengan menggunakan
citra dengan resolusi tersebut, pengguna tetap bisa
memperoleh informasi dari citra tersebut.
Algoritma yang digunakan metode frame differences
dipengaruhi oleh jenis citra dan model komputasi yang
dilakukan. Pengujian dengan menggunakan citra RGB
dan YCbCr memberikan rekomendasi nilai threshold
terbaik yang bisa diterapkan untuk aplikasi pemantau
rumah dengan menggunakan IP Camera . Nilai threshold
ini didapat dengan menggunakan 50 sampel data citra.
Pengujian ini menunjukan bahwa citra RGB dengan
menggunakan model komputasi rata-rata dengan nilai
threshold 35 menghasilkan nilai pengujian terbaik.